Toepassing van geavanceerde machine learning op mission-critical operaties

Hoe pas je geavanceerde machine learning toe op mission-critical processen als je wordt beperkt door je enterprise-architectuur of strenge regels rondom beveiliging en stabiliteit? In dit artikel bespreekt Emilio Oldenziel, Lead AI bij Eraneos, wat hij heeft geleerd tijdens zijn werk voor een van de grootste spoorwegmaatschappijen van Europa en hoe deze lessen kunnen worden toegepast in andere sectoren zoals banken, overheid en gezondheidszorg. Hij legt uit hoe het team erin slaagde om een academisch bewezen oplossing op te schalen en hoe ze geavanceerde technologie combineerden met de noodzaak van menselijk toezicht.

De uitdaging identificeren: behoefte aan innovatie in spoorwegoperaties

Spoorwegmaatschappijen over de hele wereld staan voor de uitdaging om stiptheid en operationele efficiëntie te handhaven terwijl ze uitgestrekte en complexe netwerken beheren. Het balanceren van de eisen van passagiersdiensten en goederenvervoer met de beschikbaarheid van personeel en materiaal vergt aanzienlijke middelen en nauwkeurige coördinatie. Geavanceerde AI, en specifiek machine learning-modellen, bieden een baanbrekende oplossing voor deze uitdagingen. Door gebruik te maken van deze geavanceerde technologieën kunnen spoorwegmaatschappijen hun besluitvormingsprocessen verbeteren, planningen optimaliseren en mogelijke verstoringen voorspellen en beperken voordat ze zich voordoen. Deze proactieve aanpak verbetert niet alleen de betrouwbaarheid van de dienstverlening, maar helpt spoorwegmaatschappijen ook om voorop te blijven in een competitieve markt. Nu operationele efficiëntie een cruciale onderscheidende factor wordt, wordt de adoptie van AI en machine learning steeds meer gezien als essentieel voor het behouden van een concurrentievoordeel in de spoorwegindustrie.

“We zagen dat de organisatie verschillende proof-of-concept-initiatieven had uitgevoerd met thesisstudenten, die duidelijk het potentieel van deze technologieën aantoonden. Hoewel deze projecten veelbelovend waren, ontbrak het hen aan de schaal en technologie die nodig waren om te worden geïmplementeerd in een praktische, industriële setting. De uitdaging was om deze inzichtelijke, academische experimenten te ontwikkelen tot robuuste, schaalbare oplossingen die volledig geïntegreerd konden worden in de dagelijkse operaties van het spoornetwerk.

Tegelijkertijd was het bedrijf terughoudend om nieuwe technologieën te adopteren die direct invloed hebben op een mission-critical proces zoals planning, vanwege zorgen over beveiliging en stabiliteit. Het risico op systeemstoringen was bijvoorbeeld een kritieke zorg, aangezien zelfs een kleine verstoring in de planningssystemen zou kunnen leiden tot aanzienlijke vertragingen in het hele netwerk. We moesten bewijzen dat onze oplossing zou voldoen aan de strikte regels en standaarden van hun enterprise-architectuur,” legt Emilio Oldenziel uit, Lead AI bij Eraneos.

Het toepassen van ML Ops om de kwaliteit van oplossingen te waarborgen

De adoptie van ML Ops (Machine Learning Operations) was een cruciaal aspect van het succes van het project en essentieel om de kwaliteit van de machine learning-oplossing te waarborgen. De tools en processen die betrokken zijn bij ML Ops vergemakkelijkten de integratie van machine learning-modellen in het bestaande operationele framework van het spoornetwerk. Dit was een cruciale stap in de overgang van de academische en experimentele fase naar de toepassing in de echte wereld. Door ML Ops te implementeren, kon ook een robuuste infrastructuur worden gecreëerd die kon meegroeien met de behoeften van het project.

Deze aanpak faciliteerde de overgang van experimentele modellen naar praktische, schaalbare oplossingen die konden worden geïntegreerd in de dagelijkse operaties, terwijl ze voldoen aan strikte veiligheids- en kwaliteitsnormen.

Na afronding van dit project werd het duurzame resultaat recent nog bevestigd toen een van de medewerkers van dit project een onderzoekspaper publiceerde. Daarin bouwen de onderzoekers namelijk voort op de aanpak en oplossing die in dit project zijn ontwikkeld om verdere optimalisatie van het spoorsysteem mogelijk te maken.”

Om de enorme datasets en complexe voorspellingen aan te kunnen, maakte het team gebruik van geavanceerde algoritmen zoals reinforcement learning, die geschikt zijn voor besluitvormingsprocessen waarbij de uitkomsten onzeker zijn. In spoorwegoperaties kunnen factoren zoals plotselinge weersveranderingen, onverwachte storingen aan apparatuur of onverwachte passagierspieken onvoorspelbaar invloed hebben op de dienstregeling en vragen om dynamische, realtime reacties. Het systeem kon leren van eerdere uitkomsten en strategieën in realtime aanpassen, waardoor optimale reacties op wisselende omstandigheden mogelijk waren. Deze adaptieve benadering was cruciaal voor het beheren van de dynamische aard van spoornetwerken, waar vertragingen een domino-effect kunnen hebben.

Uitdagingen overwinnen: Balans tussen technologie en menselijk toezicht

Het implementeren van deze geavanceerde oplossingen vereiste het navigeren door verschillende belangrijke uitdagingen. Een van de belangrijkste obstakels was de beperking op het gebruik van bepaalde cloudgebaseerde mogelijkheden vanwege zorgen over beveiliging en operationele stabiliteit. Dit leidde ertoe dat het team koos voor open-source tools, zoals MLflow, om ML-modellen te beheren.

“Vanwege de beperkingen die gepaard gaan met de enterprise-architectuur van deze mission-critical operaties, was het gebruik van verschillende cloudoplossingen geen optie. Beveiliging en operationele stabiliteit stonden voorop, dus kozen we voor MLflow, een open-source alternatief. Dit stelde ons in staat om controle te behouden over de technologie en de oplossing in hun eigen datacentra te hosten, aangepast aan de specifieke behoeften van het bedrijf. Het dwong ons om creatief te zijn en te ontdekken hoe we op een andere manier de gewenste resultaten konden bereiken.”

Een ander belangrijk aspect was dat ondanks het gebruik van geavanceerde AI, menselijke betrokkenheid cruciaal blijft, vooral in scenario’s waarin besluitvorming direct van invloed is op de veiligheid en operationele betrouwbaarheid. Dit wordt beschreven als een “human-in-the-loop” benadering, waarbij mensen toezicht houden op en de beslissingen van AI-systemen valideren. Dit zorgt ervoor dat AI-aanbevelingen in lijn zijn met de veiligheidsnormen en operationele protocollen. Het betrekken van mensen in de besluitvormingscyclus was niet alleen een waarborg voor betrouwbaarheid, maar ook een middel om vertrouwen en acceptatie op te bouwen bij eindgebruikers en het leiderschap van het bedrijf door transparant de betrouwbaarheid en effectiviteit van het systeem aan te tonen.

“Een van de sterke punten van Eraneos is dat we niet alleen in staat zijn om een aanpak te ontwikkelen waarbij mensen met geavanceerde technologie kunnen werken, maar ook om routinetaken te automatiseren, waardoor menselijke operators zich kunnen richten op complexere en kritieke besluitvorming. Deze aanpak maakt het mogelijk om menselijke middelen in te zetten voor taken met een hogere waarde die ethisch oordeelsvermogen en een genuanceerd begrip vereisen, die momenteel buiten de mogelijkheden van AI vallen. Door de transparantie en effectiviteit van het systeem te demonstreren, hebben we ook het vertrouwen van de betrokken mensen kunnen opbouwen en ervoor gezorgd dat er geen reputatierisico’s verbonden zijn aan geautomatiseerde besluitvorming.”

Toekomstige toepassingen: Uitbreiding van AI naar andere sectoren met mission-critical processen

“We zien enorm potentieel om onze aanpak toe te passen in andere sectoren met mission-critical processen, zoals banken, gezondheidszorg en overheidsdiensten. Deze sectoren hebben te maken met strenge beveiligings- en operationele vereisten, vergelijkbaar met wat we hebben aangepakt in de spoorwegindustrie. Door gebruik te maken van geavanceerde machine learning-oplossingen kunnen we deze sectoren helpen hun operaties te optimaliseren, de besluitvorming te verbeteren en een stap voor te blijven op de concurrentie.

Het gaat echter niet alleen om het implementeren van technologie—het gaat erom ervoor te zorgen dat deze oplossingen veilig, schaalbaar en betrouwbaar zijn voor menselijke operators. Dit vereist een zorgvuldige balans tussen innovatie, compliance en gebruikersacceptatie, wat zowel een uitdaging als een kans is.”

Voor Eraneos is de uitdaging om dit soort oplossingen in verschillende sectoren te implementeren een spannend vooruitzicht, met de belofte van zowel technologische vooruitgang als impact in de echte wereld. Het doel is duidelijk: industrieën in staat stellen te gedijen in een steeds competitievere en data gestuurde wereld. Neem contact op ons om meer te weten te komen over onze mogelijkheden en ontdek hoe wij jou kunnen helpen duurzame verandering te creëren.